通过机器视觉算法精确定位配电柜仪表的位置是实现仪表智能化识别的关键。针对配电柜背景复杂、字符尺度多样和相机像素低而导致的目标定位精度不高问题,提出一种面向配电柜字符识别的YOLOv7-MSBP目标定位算法。首先,设计Micro-branch...通过机器视觉算法精确定位配电柜仪表的位置是实现仪表智能化识别的关键。针对配电柜背景复杂、字符尺度多样和相机像素低而导致的目标定位精度不高问题,提出一种面向配电柜字符识别的YOLOv7-MSBP目标定位算法。首先,设计Micro-branch检测分支,改进初始锚框铺设间隔,从而提高对小目标的检测精度。其次,引入双向特征金字塔网络(BiFPN)跨尺度融合不同层特征值,以改善因下采样造成的细节特征丢失、特征融合不充分的现象;同时,设计同步混合阈卷积注意力模块(Syn-CBAM),加权融合通道和空间注意力特征,以提升算法的特征提取能力;并且,在主干网络引入部分卷积(PConv)模块,以降低算法冗余和延迟,提高检测速度。最后,将YOLOv7-MSBP的定位结果送入Paddle OCR(Optical Character Recognition)模型识别字符。实验结果表明,YOLOv7-MSBP算法的平均精度均值(mAP)达到93.2%,与YOLOv7算法相比提高了4.3个百分点,可见所提算法能够快速准确定位识别配电柜字符,验证了所提算法的有效性。展开更多
探地雷达(Ground Penetrating Radar, GPR)作为一种非破坏性的电磁探测技术,已广泛应用于市政工程、交通、军事等领域的探测.复杂的地下环境中,电磁波传播规律变得复杂,背景介质的介电常数难以准确获得.后向投影(Back Projection,BP)成...探地雷达(Ground Penetrating Radar, GPR)作为一种非破坏性的电磁探测技术,已广泛应用于市政工程、交通、军事等领域的探测.复杂的地下环境中,电磁波传播规律变得复杂,背景介质的介电常数难以准确获得.后向投影(Back Projection,BP)成像算法需要预知背景介质的相对介电常数,且需逐个计算各成像网格的散射强度值,计算效率低.本文提出一种基于深度学习的探地雷达自聚焦后向投影(Deep learning based Auto focusing BP,DABP)成像方法,设计了目标感兴趣区域(Region Of Interest,ROI)的检测模块,基于地下目标的空间稀疏特征,将YOLOX网络和BP成像机理相结合,快速检测出目标潜在区域,仅对该区域中的成像网格进行成像处理,避免全域的后向投影计算,大幅降低运算量.其次,针对介电常数未知情况下BP成像难以聚焦的问题,设计了一个自聚焦后向投影(Auto Focusing BP,AF-BP)成像模块,构建了BS-YOLOv5网络和相应的数据集,实现基于改进二分法的地下介质介电常数估计和自聚焦成像.然后,设计了一个基于双阈值和积分聚焦的伪影抑制(artifact suppression based on Double Threshold and Integral Focusing,DTIF)模块,进一步提高成像结果的聚焦度.开展了仿真和实测数据的成像处理和对比分析,与BP成像方法相比,仿真数据成像结果的ISLR指标下降了250%、SCR指标提升了131%;实测数据成像结果的ISLR指标下降了322%、SCR指标提升了72%,仿真实验和实测实验的成像速度均提升了300%,验证了所提方法在提高GPR成像效率和成像质量方面的有效性.展开更多
基金Supported by National Natural Science Foundation of China(No.41704123,No.61773249)the Science and Technology on Near-Surface Detection Laboratory(No.TCGZ2018A007,No.TCGZ2020C003)。
文摘通过机器视觉算法精确定位配电柜仪表的位置是实现仪表智能化识别的关键。针对配电柜背景复杂、字符尺度多样和相机像素低而导致的目标定位精度不高问题,提出一种面向配电柜字符识别的YOLOv7-MSBP目标定位算法。首先,设计Micro-branch检测分支,改进初始锚框铺设间隔,从而提高对小目标的检测精度。其次,引入双向特征金字塔网络(BiFPN)跨尺度融合不同层特征值,以改善因下采样造成的细节特征丢失、特征融合不充分的现象;同时,设计同步混合阈卷积注意力模块(Syn-CBAM),加权融合通道和空间注意力特征,以提升算法的特征提取能力;并且,在主干网络引入部分卷积(PConv)模块,以降低算法冗余和延迟,提高检测速度。最后,将YOLOv7-MSBP的定位结果送入Paddle OCR(Optical Character Recognition)模型识别字符。实验结果表明,YOLOv7-MSBP算法的平均精度均值(mAP)达到93.2%,与YOLOv7算法相比提高了4.3个百分点,可见所提算法能够快速准确定位识别配电柜字符,验证了所提算法的有效性。
文摘探地雷达(Ground Penetrating Radar, GPR)作为一种非破坏性的电磁探测技术,已广泛应用于市政工程、交通、军事等领域的探测.复杂的地下环境中,电磁波传播规律变得复杂,背景介质的介电常数难以准确获得.后向投影(Back Projection,BP)成像算法需要预知背景介质的相对介电常数,且需逐个计算各成像网格的散射强度值,计算效率低.本文提出一种基于深度学习的探地雷达自聚焦后向投影(Deep learning based Auto focusing BP,DABP)成像方法,设计了目标感兴趣区域(Region Of Interest,ROI)的检测模块,基于地下目标的空间稀疏特征,将YOLOX网络和BP成像机理相结合,快速检测出目标潜在区域,仅对该区域中的成像网格进行成像处理,避免全域的后向投影计算,大幅降低运算量.其次,针对介电常数未知情况下BP成像难以聚焦的问题,设计了一个自聚焦后向投影(Auto Focusing BP,AF-BP)成像模块,构建了BS-YOLOv5网络和相应的数据集,实现基于改进二分法的地下介质介电常数估计和自聚焦成像.然后,设计了一个基于双阈值和积分聚焦的伪影抑制(artifact suppression based on Double Threshold and Integral Focusing,DTIF)模块,进一步提高成像结果的聚焦度.开展了仿真和实测数据的成像处理和对比分析,与BP成像方法相比,仿真数据成像结果的ISLR指标下降了250%、SCR指标提升了131%;实测数据成像结果的ISLR指标下降了322%、SCR指标提升了72%,仿真实验和实测实验的成像速度均提升了300%,验证了所提方法在提高GPR成像效率和成像质量方面的有效性.
基金Supported by National Natural Science Foundation of China(No.61773249)the Science and Technology on Near-Surface Detection Laboratory(No.6142414090117,No.TCGZ2017A006)~~
